多标签分类

摘要： 文章爬取青岛市领导留言板网站的居民留言进行分析,首先对数据进行预处理并建立多标签分类模型,达到一级指标建立分类的目的;其次,利用F-score法对一级指标进行评价,得到一级指标的F分类均值为87.32％>85％,说明所建立的一级标签分类模型质量高,适用效果好;最后,针对青岛市民意列出标签,给政府相关部门提出建议,以此提高青岛的建设水平.

摘要： 涉毒案件法条预测任务存在案情复杂度高、案件与案件之间相似度大等难点,传统方法大多集中于对案情的语义学习,而忽略了法条知识的作用,导致法条预测性能不佳。因此,基于KG-BERT算法提出改进后的KG-Law⁃former算法。改进后的算法可同时学习案情知识和法条知识,并通过法条知识更好地指导预测。实验结果证明,该方法在宏F1值上较传统方法提升了10%~30%,达到79%,并在准确率Acc、宏精确率MP和宏召回率MR等指标上均有一定提升,证明了在法条预测中融入法条知识可以提高预测性能。

摘要： 多标签学习是分类任务中一个重要研究方向,如何保证高分类精度是关键要素。论文提出基于相似度的多标签分类算法SMLC。该算法首先构建实例相似度函数,再采用并行计算方式算出相似值,最后通过加权计算类标签集合权重或者学习阈值方法预测类标签集合。仿真结果表明,与RankSVM、ML-KNN算法对比,SMLC在多标签分类任务的多个指标上表现更优。

摘要： 针对现有网络安全文本按照主题分类,导致主题之间联系不紧密,文本资源缺乏系统性的问题。论文提出在网络安全知识体系下,按照知识点对文本进行分类。同时,提出Albert-TextCNN模型进行知识点提取,使用Albert模型提取输入文本的词向量,在减小参数量的前提下,输出了包含丰富语义的词向量,并使用TextCNN进一步提取词向量的局部语义特征,最后辅以网络安全知识体系,根据知识点标签之间的包含关系,进一步提升了模型性能。实验结果表明,该模型各项指标均高于实现了同类型单个模型的性能。

摘要： 多标签文本分类(MLTC)是自然语言处理(NLP)领域的重要子课题之一。针对多个标签之间存在复杂关联性的问题,提出了一种融合BERT与标签语义注意力的MLTC方法TLA-BERT。首先,通过对自编码预训练模型进行微调,从而学习输入文本的上下文向量表示;然后,使用长短期记忆(LSTM)神经网络将标签进行单独编码;最后,利用注意力机制显性突出文本对每个标签的贡献,以预测多标签序列。实验结果表明,与基于序列生成模型(SGM)算法相比,所提出的方法在AAPD与RCV1-v2公开数据集上,F1值分别提高了2.8个百分点与1.5个百分点。

摘要： 网络威胁情报(Cyber Threat Intelligence, CTI)的技战术(Tactics, Techniques and Procedures, TTPs)分析能够为网络攻击事件提供全局视图,并揭示系统弱项,是网络攻击溯源的关键技术.现有分类TTPs方案面向抽象语言环境效果较差且不平均.本文提出一种基于关联增强的多标签深度学习模型RENet,通过使用结合上下文信息和多词语义的多标签分类器对战术和技术进行分类,并通过技战术条件转移矩阵将原有战术的分类结果转移到技术中增强技术分类.实验表明,RENet比其他分类模型有更精确的技战术分类效果与更快的收敛速度.在英文数据集上,RENet对技术和战术分类的F;分数比现有最好的模型分别提高4.62%和0.78%,在中文数据集上提高3.95%和3.77%.

摘要： 为实现船舶电力系统电能质量扰动准确识别,结合深度学习提出基于二维残差网络(2D-ResNet)的电能质量扰动识别方法。首先将电能质量一维时间序列通过距离矩阵转化为二维平面图,随后将图像送入所提二维残差网络中提取特征。最终输出特征图通过线性层分类器得到识别结果,实现船舶电力系统电能质量扰动的在线识别。与现有特征提取方法相比,不同信噪比下该方法扰动识别准确率均最高。信噪比为20 dB时,单标签分类平均准确率为93.86%,多标签分类平均F_(1)-score为96.52%,证明了2D-ResNet能有效提取扰动特征且对噪声具备鲁棒性。对于未知复合扰动,单标签分类器识别失败,而多标签分类器准确识别出扰动中的未知成分,且F_(1)-score达到93%,证明了多标签分类适用于未知复合扰动识别。

摘要： 多标签文本分类现在已经成为自然语言处理中的核心任务之一,它的目的是从多个候选标签中使用最相关的标签来注释文档。该文的研究是在文本分类的基础上,以TextCNN神经网络作为基础分类框架,介绍了在自建数据集上进行基于改进的TextCNN的多标签分类任务。通过爬虫来获取全国各个地市的政策文本数据,构建了一个全新的政策类数据集,对数据进行预处理,利用改进后的TextCNN神经网络来训练模型对数据进行多标签分类,经过实验对比测试,改进后的TextCNN结合百度百科词向量在自建数据集上达到了较好的分类效果。

摘要： 针对多标签图像分类任务中存在的难以对标签间的相互作用建模和全局标签关系固化的问题,结合自注意力机制和知识蒸馏(KD)方法,提出了一种基于全局与局部标签关系的多标签图像分类方法(ML-GLLR)。首先,局部标签关系(LLR)模型使用卷积神经网络(CNN)、语义模块和双层自注意力(DLSA)模块对局部标签关系建模;然后,利用KD方法使LLR学习全局标签关系。在公开数据集MSCOCO2014和VOC2007上进行实验,LLR相较于基于图卷积神经网络多标签图像分类(ML-GCN)方法,在平均精度均值(mAP)上分别提高了0.8个百分点和0.6个百分点,MLGLLR相较于LLR在mAP上分别进一步提高了0.2个百分点和1.3个百分点。实验结果表明,所提ML-GLLR不仅能对标签间的相互关系进行建模,也能避免全局标签关系固化的问题。

摘要： 随着大数据技术的快速发展,多标签文本分类在司法领域也催生出诸多应用.在法律文本中通常存在多个要素标签,标签之间往往具有相互依赖性或相关性,准确识别这些标签需要多标签分类方法的支持.因此,文中提出融合标签关系的法律文本多标签分类方法.方法构建标签的共现矩阵,利用图卷积网络捕捉标签之间的依赖关系,并结合标签注意力机制,计算法律文本和标签每个词的相关程度,得到特定标签的法律文本语义表示.最后,融合标签图构建的依赖关系和特定标签的法律文本语义表示,对文本进行综合表示,实现文本的多标签分类.在法律数据集上的实验表明,文中方法获得较好的分类精度和稳定性.

摘要： 每一分钟世界失去48个足球场的原始森林,为了遏止破坏原始森林的行为,统计人类在森林地区的活动痕迹尤为重要,其困难之处在于森林地区遥感影像中地物交错,而且气象特征难以用区域分割方式表达.本文针对高分遥感影像多标签分类问题,提出一种基于卷积神经网络将多标签分类问题转化为多类分类问题的方法,用sigmoid激活函数替代多类分类中的softmax激活函数,用阈值搜索函数求得二分类的自适应阈值,相比手动提取特征的XGBoost方法和OVR方法的F2值(召回率和准度的调和平均数的变体,权重为2)高出0.03到0.05.试验中基于八万平方米森林地区的3米分辨率红、绿、蓝、近红外四波段卫星遥感影像,进行了包括树木、云、居民区、道路、水体等17类多标签分类研究.实验结果表明,本文提出的sigmoid激活函数结合阈值搜索的方法可以有效的提高多标签分类的性能,该研究将有助于进行高分影像场景理解,更精准地发现原始森林砍伐行为.

摘要： 目的：利用LSTM模型和字嵌入的方法构建分类系统,提出一种中文图书分类中多标签分类的解决方案.方法：引入深度学习算法,利用字嵌入方法和LSTM模型构建分类系统,对题名、主题词等字段组成的字符串进行学习以训练模型,并采用构建多个二元分类器的方法解决多标签分类问题,选择3所高校5个类别的书目数据进行实验.结果：从整体准确率、各类别精度、召回率、F1值多个指标进行分析,本文提出的模型均有良好表现,有较强的实际应用价值.局限：数据仅涉及中图分类法5个类别,考虑的分类粒度较粗等.结论：基于LSTM模型的中文图书分类系统具有预处理简单、增量学习、可迁移性高等优点,具备可行性和实用性.

摘要： 使用测试管理工具能有效控制软件测试过程,但缺少对测试人员的监控,难以准确地分析测试的执行过程.为此,提出一种基于测试人员操作记录的分层框架(OESC框架),依据测试人员的行为粒度划分为操作层、事件层、语义层、概述层,其中操作层和事件层已有工具进行记录,语义层和概述层是基于操作层和事件层内容,通过特征提取技术和多标签分类技术得到.实验结果表明,该框架对被测件性能影响极小,能有效地监控测试人员行为过程,有助于帮助分析测试过程,能弥补现有的测试管理工具在对测试人员监控上的不足.

摘要： 针对使用测试管理工具难以准确地分析软件测试的执行过程这一问题,提出一种基于测试人员操作记录的分层框架(OESC框架).依据测试人员的行为粒度将该框架划分为操作层、事件层、语义层、概述层,其中操作层和事件层已有工具进行记录,语义层和概述层是基于操作层和事件层内容,通过特征提取技术和多标签分类技术得到.实验结果表明,该框架对被测件性能影响极小,能有效地监控测试人员行为过程,有助于帮助分析测试过程,能弥补现有的测试管理工具对测试人员监控上的不足.

摘要： 本申请提供一种标签分类模型训练方法、标签分类方法、装置及设备。该标签分类模型训练方法包括：获取无标签数据集和有标签数据集，基于所述无标签数据集和所述有标签数据集构建高斯图；使用所述有标签数据集训练得到初始标签分类模型；根据所述高斯图确定所述有标签数据集和所述无标签数据集之间的标签传播算法；基于所述标签传播算法，将所述无标签数据集中能够转换的无标签数据转换为有标签数据；将转换得到的有标签数据添加至所述有标签数据集中，得到新的有标签数据集；使用所述新的标签数据集重新训练所述初始标签分类模型，得到目标标签分类模型。本申请的方法可以提升对用户消费数据的标签分类效果。

摘要： 本申请公开了一种图像标签分类网络的训练方法、图像标签分类方法、装置、电子设备及可读存储介质。该方法包括：将样本图像输入初始图像标签分类网络，得到初始图像标签分类网络输出的多个样本标签对应的样本标签分类结果；确定第一样本标签的标签分类结果的损失值，作为第一损失值，确定第二样本标签的标签分类结果的损失值，作为第二损失值；根据对应第一损失值的权重对第一损失值进行调整，得到第三损失值，权重是根据第一样本标签对应的样本标签分类结果确定的；根据第二损失值和第三损失值对初始图像标签分类网络进行训练，得到图像标签分类网络。通过本申请的方法得到图像标签分类网络的标签分类准确率较高。

摘要： 标签分类系统及标签分类模型的训练系统，所述标签分类系统包括：待处理数据获取模块，适于获取待处理数据，所述待处理数据包括待处理语料；语义提取模块，适于提取所述待处理数据的语义特征；逻辑运算模块，适于将提取得到的语义特征和所述待处理数据进行逻辑运算处理，得到所述待处理数据的融合特征；数值计算模块，适于根据所述待处理数据的融合特征，计算各候选类别标签的数值，以表征各候选类别标签与所述待处理语料的关联程度；标签获取模块，适于根据各候选类别标签的数值，获取数值符合预设的第一选取条件的候选类别标签，得到类别标签预测集合。采用上述方案，能够提高标签分类预测结果的准确率。

摘要： 本申请公开了一种图像标签分类网络的训练方法、图像标签分类方法及设备，涉及人工智能领域，该方法包括：获取样本图像；通过特征提取网络对样本图像进行特征提取，得到特征提取网络输出的样本特征图；将样本特征图输入图网络分类器，得到图网络分类器输出的样本标签分类结果，图网络分类器基于目标图网络构建得到，目标图网络中的图节点对应图像标签，且不同图节点之间的边用于表征不同图像标签之间的共现概率；根据样本标签分类结果与样本图像标签之间的误差，训练特征提取网络和图网络分类器。本申请实施例中，利用图网络分类器对进行标签分类时，能够融入不同图像标签之间的关联性，有助于提高图像标签分类的效率和准确性。

摘要： 一种处理来自系统(1－4)用户的消息的方法，该系统用于存储表示内容项目(12)的第一集合(11)的数据组，每个内容项目包括至少一个可感知的内容元素的记录，该方法包括获取表示分类标签对第一集合(11)中的内容项目(12)的第一指定的信息(13；19)，其中所述消息包括在第一指定中使用的分类标签的指示。该方法进一步包括：获取表示分类标签对内容项目(12)的第二指定的信息(14)，该内容项目包括至少一个可感知内容元素的记录；以及通过确定指定了在第一指定的消息中指示的分类标签的内容项目(12)与指定了第二指定中的分类标签的内容项目(12)之间的相似度，将在所述消息中指示的分类标签与在第二指定中使用的至少一个分类标签的指示进行匹配。

摘要： 本发明请求保护一种基于示例级和标签级关联的缺失标签多标签分类方法，包括步骤：S1输入训练样本的特征矩阵，通过线性重组策略构建基于特征的样本近邻图，来挖掘样本的几何结构信息，得到示例级的关联矩阵；S2输入训练样本的标签矩阵，通过低秩表示的方法构建基于标签的语义关联图，来挖掘标签的语义关联信息，得到标签级的关联矩阵；S3利用拉普拉斯流形正则化将这两种标签关联构造为两个正则化项；S4构造目标函数并对其进行求解。本发明同时结合了示例级和标签级的关联性，能够有效提升多标签分类方法在标签部分缺失的情况下的分类效果。

摘要： 在本公开实施例多标签分类模型的训练方法、图像的多标签分类方法中，多标签分类模型的训练方法通过对抽样图片进行多粒度分割，并将各个粒度的分割图片进行组合、拼接，得到多粒度的拼接图片序列，而后将多粒度的拼接图片序列输入至Transformer模型中，完成对模型的训练。训练得到的模型提高了局部图像内容的召回能力，解决了相关技术中无法对图像内容中小目标、画中画等困难样例准确识别的技术问题。

摘要： 本发明公开了一种基于标签补全和重构映射的弱标签多标签分类方法，首先建立实例特征信息矩阵和类别标签信息矩阵，形成多标签数据集；然后构建嵌入特征空间的标签特定特征矩阵；基于标签相关矩阵对缺失标签矩阵的信息进行补全；结合嵌入特征矩阵、标签特定特征矩阵、标签相关矩阵以及相对应的约束正则项构建相应的模型；分别对嵌入特征矩阵、标签特定特征矩阵和标签相关矩阵进行优化求解；将测试集作为预测模型的输入，输出预测标签矩阵；将预测标签矩阵与真实标签进行对比，评估预测模型的性能以及有效性。上述方法能够有效解决在建立模型时丢失实例特征信息的问题，并且将生成标签特定特征和后续训练分类模型两个阶段总结到一个框架下。

摘要： 本发明请求保护一种基于示例级和标签级关联的缺失标签多标签分类方法，包括步骤：S1输入训练样本的特征矩阵，通过线性重组策略构建基于特征的样本近邻图，来挖掘样本的几何结构信息，得到示例级的关联矩阵；S2输入训练样本的标签矩阵，通过低秩表示的方法构建基于标签的语义关联图，来挖掘标签的语义关联信息，得到标签级的关联矩阵；S3利用拉普拉斯流形正则化将这两种标签关联构造为两个正则化项；S4构造目标函数并对其进行求解。本发明同时结合了示例级和标签级的关联性，能够有效提升多标签分类方法在标签部分缺失的情况下的分类效果。

摘要： 本发明公开了一种基于新标签发现和标签增量学习的动态多标签分类方法，在初始阶段，根据初始数据基于pairwise label ranking loss和误分类损失建立初始分类模型和初始集成聚类模型；数据流预测阶段，将具有新标签的样本放入一个缓冲区存储；模型更新阶段，构建新标签的子模型，将新标签子模型更新到分类模型中，并基于新标签样本对集成聚类模型更新。该方法不仅可以及时发现数据流中数据诞生的新标签，还避免了在数据流中存储大量的数据，只需要缓存一定的数据作为更新即可，进一步避免了重新训练模型导致的时间成本问题，同时解决了动态多标签分类问题中新标签产生的问题并在数据流中维持较高分类性能。